(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210636933.4 (22)申请日 2022.06.07 (71)申请人 北京庚图科技有限公司 地址 100089 北京市海淀区西三 旗昌临801 号27号3层3 03 (72)发明人 费国通　 (74)专利代理 机构 北京维正专利代理有限公司 11508 专利代理师 谢明晖 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/44(2022.01) G06T 7/73(2017.01) G06T 7/246(2017.01) (54)发明名称 一种基于深度学习的目标识别方法、 系统、 电子设备及存 储介质 (57)摘要 本申请涉及一种基于深度学习的目标识别 方法、 系统、 电子设备及存储介质， 其属于 涉及图 像处理的技术领域， 其中方法包括： 接收图像采 集终端上传的待测图像， 所述待测图像携带有当 前位置信息； 基于预设的目标识别模型， 确定所 述待测图像中的标记目标及对应的目标类型； 确 定预存储的所述目标类型对应的移动速度； 根据 所述移动速度和当前位置信息， 计算到达预存储 的标记区域所需的行径时间； 基于所述移动速度 及目标类型， 对待测图像进行更新， 生成目标标 记图； 向用户发送所述目标标记图。 本申请具有 减少用户工作量的效果。 权利要求书2页 说明书8页 附图3页 CN 115035425 A 2022.09.09 CN 115035425 A 1.一种基于深度学习的目标识别方法， 其特 征在于， 包括： 接收图像采集终端上传的待测图像， 所述待测图像携带有当前位置信息； 基于预设的目标识别模型， 确定所述待测图像中的标记目标及对应的目标类型； 确定预存 储的所述目标类型对应的移动速度； 根据所述移动速度和当前位置信息， 计算到 达预存储的标记区域所需的行径时间； 基于所述移动速度及目标类型， 对待测图像进行 更新， 生成目标 标记图； 向用户发送所述目标 标记图。 2.根据权利要求1所述的一种基于深度 学习的目标识别方法， 其特征在于， 所述基于预 设的目标识别模型， 确定所述待测图像中的待选目标及对应的目标类型， 包括： 对所述待测图像进行 过滤处理， 得到截选图像； 基于所述截选图像中的目标轮廓， 确定各截选图像中的所有 待选目标； 基于预设的目标识别模型， 确定所述待选目标中的标记目标及对应的目标类型。 3.根据权利要求1所述的一种基于深度 学习的目标识别方法， 其特征在于， 在基于所述 移动速度及目标类型， 对待测图像进行 更新， 生成目标 标记图之后， 还 包括： 根据预设的距离范围阈值和所述当前位置信息， 确定所述标记目标的阶梯范围； 将各所述阶梯范围对应的边 缘框更新至目标 标记图中； 根据所述移动速度， 确定各 所述边缘框之间的跨越时间； 将所述跨越时间更新至目标 标记图中。 4.根据权利要求1所述的一种基于深度 学习的目标识别方法， 其特征在于， 所述根据 所 述移动速度和当前位置信息， 计算到 达预存储的标记区域所需的行径时间， 包括： 根据所述当前位置信息， 确定标记目标与标记区域之间的连线； 根据预设的障碍物 识别模型， 获取与连线重合的障碍物及相应的障碍物类型； 根据预设的目标跨越能力表和所述目标类型， 针对所述障碍物类型， 确定所述标记目 标的跨越等级； 若所述跨越等级大于或等于预设的跨越阈值， 则计算所述连线所对应的移动距离， 并 根据所述移动速度， 计算所述移动距离所需的行径时间； 否则， 获取 所述待测图像中的障碍物的边 缘轮廓； 根据所述边缘轮廓、 移动速度以及当前位置信息， 计算到达预存储的标记区域所需的 行径时间。 5.根据权利要求4所述的一种基于深度 学习的目标识别方法， 其特征在于， 所述根据 所 述边缘轮廓、 移动速度以及当前位置信息， 计算到达预存储的标记区域所需的行径时间， 包 括： 获取沿各 所述边缘轮廓生成的待选 框； 基于所述连线， 对所述待选 框进行划分处 理， 得到以连线为 一边的划分框； 获取各所述划分框的覆盖面积， 选取覆盖面积最小的划分框作为选 定框； 获取所述选定框距离连线最远的点作为基准点， 并生成位于所述基准点上且与 连线平 行的基准线； 根据所述选 定框的边框拐点， 获取垂直于所述基准线的边 缘线； 获取所述基准线和边 缘线的交点；权　利　要　求　书 1/2 页 2 CN 115035425 A 2根据所述交点、 移动速度以及当前位置信息， 计算到达预存储的标记区域所需的行径 时间。 6.根据权利要求5所述的一种基于深度 学习的目标识别方法， 其特征在于， 所述获取各 所述划分框的覆盖面积， 选取覆盖面积最小的划分框作为选 定框， 包括： 根据所述连线， 构建直角坐标系， 得到各划分框的中心点 坐标； 根据所述中心点 坐标， 确定同向的划分框作为关联框， 并得到关联整合框； 获取各所述关联整合框的覆盖面积， 选取关联整合框最小的划分框作为选 定框。 7.根据权利要求1所述的一种基于深度 学习的目标识别方法， 其特征在于， 所述根据 所 述移动速度和当前位置信息， 计算到 达预存储的标记区域所需的行径时间， 包括： 确定预存 储的所述标记目标 所关联的历史位置信息； 根据所述当前位置信息和历史位置信息， 确定所述标记目标的移动方向； 根据所述移动方向和预设的偏转角度， 生成移动范围； 基于所述移动范围， 剔除预存 储的标记区域中的反向标记区域。 8.一种基于深度学习的目标识别装置， 其特 征在于， 所述装置包括： 图像接收模块， 用于接收图像采集终端上传的待测图像， 所述待测图像携带有当前位 置信息； 类型确定模块， 用于基于预设的目标识别模型， 确定所述待测图像中的标记目标及对 应的目标类型； 速度确定模块， 用于确定预存 储的所述目标类型对应的移动速度； 时间计算模块， 用于根据所述移动速度和当前位置信息， 计算到达预存储的标记区域 所需的行径时间； 标记图生成模块， 用于基于所述移动速度及目标类型， 对待测图像进行更新， 生成目标 标记图； 标记图发送模块， 用于向用户发送所述目标 标记图。 9.一种电子设备， 其特征在于， 包括存储器和处理器， 所述存储器上存储有能够被处理 器加载并执 行如权利要求1至7中任一种方法的计算机程序。 10.一种计算机可读存储介质， 其特征在于， 存储有能够被处理器加载并执行如权利要 求1至7中任一种方法的计算机程序。权　利　要　求　书 2/2 页 3 CN 115035425 A 3